AI「吃掉」软件？企服判断标准大反转？我们发现了企业软件的最新10个真相｜36氪新风向

在大模型几乎席卷一切的2023年，功能各异的企业软件似乎成了最先会被“吃掉”的对象。

当ChatGPT流畅自如地与人对谈，客服机器人还有存在必要吗？

当大模型的语言能力堪比专业人士，估值已达130亿美元的语法修正工具Grammaly，还有什么壁垒？

当Midjourney仅靠11个员工做到年收入1亿美元，拟被200亿美元收购的设计软件Figma，还值不值这个价格？

当能拆解任务、执行要求的AutoGPT出现，已长出市值百亿美元公司的RPA赛道，是否仍有价值？

......

被“吃掉”的恐惧在持续。

甚至，一些在大模型出现后迅速崛起、希望服务于大模型的新型软件，同样在模型功能更新后前景堪忧。

典型如LangChain——一家成立于2023年1月的大模型框架类公司，在接连完成两轮融资、估值达到2亿美金后，因产品功能和GPT新推出的插件有部分重叠，而迅速被外界质疑价值逐步鸡肋。

一些灵魂拷问在企业软件公司中蔓延——在真正的AI时代，企业软件的壁垒到底是什么？谁会最先被AI取代？又是否存在不会被AI吃掉的软件？

带着这些问题，36氪采访了10位企服投资圈人士——他们中不少入行超过5年，看过超千个企业软件项目，如今都在关注AI、大模型。

在采访中，我们首先发现了一些非共识。有投资人认为，此刻大模型并没有在国内真正落地，思考企业软件是否会被取代意义不大。

而另一些人认为，至少在营销等场景，新一代AI的自然语言对话和物料生成能力，对软件供应商的改变已称得上“深刻”。

但更多的是共识。

1.AI重塑软件，并非替代

关于此次讨论的核心——AI是否会取代软件，被采访的投资人普遍表示，AI全盘替代所有企业软件不太可能。他们普遍认为，如果真要讲“替代”，那这个词应该换成“重塑”。

也就是说，在这些投资人眼中，不少企业软件会结合AI，提升现有产品的功能。甚至还有少量的软件品类，反而会因AI吃到红利。

2.RPA、BI等工作流产品“告急”

在被重塑的类型里，不排除一些软件会“改变得比较彻底”。

这其中，RPA、BI等工作流工具类产品，被视为典型。

这类产品之前多提供执行、分析类功能，目的是提升企业员工工作效率，但对关键业务数据、经验的积累并不充分。对比之下，大模型能分析出最合适的动作执行路径，还能指挥其他的算法去执行，消解了RPA的价值。而不少BI重在报表汇总和展示，功能同属大模型的能力圈。

3.深嵌在业务流中才难被AI替代

虽然绝大多数企业软件都具备工具属性，但在更为细致的分类中，工作流和业务流工具，在AI时代的壁垒完全不同。

一个典型例证是，ERP类软件虽也是工具，但由于深嵌在各企业的业务流程中，属于理解业务Know-How的业务流管理产品。此前，它们常被诟病需要针对企业定制化开发，做起来太重。但如今，当大模型的能力不断更新，它们反而因和业务逻辑、数据盘根交错，而被投资人们认为难被AI替代。

4.工作流程太长的场景，适合被大模型简化

理论上，大模型把所有数据汇聚在一处，再给出用户所需的结果，是一种简化流程的操作。

例如，营销类公司往往需要整合数据进行分析，从而了解客户洞察。之前这些流程组成了一条流水线，但大模型出现后，数据天生在一起，不用慢慢整合。企业可以基于大模型做客户洞察、分析，优化原有流程。

相同逻辑还存在于一些协同设计类场景中。过去主打这类场景的软件，大概率需要大幅“重塑”。

5.拥有稀缺数据的软件成了香饽饽

业务流之外，更被公认会因大模型、生成式AI受益的是拥有稀缺数据的软件。

如今的一个共鸣是，包括GPT系列在内的语言类大模型，已把公开的文本语料“物尽其用”。这种情况下，稀缺领域的数据和业务Know-How，成了软件公司的“最后一道防线”。

在采访中，有不止一位投资人告诉36氪，自己投资的工业类软件，因为积累到足够的稀缺数据未受到冲击。

6.数据安全需求水涨船高

当数据成为壁垒，企业的数据安全需求也会再上台阶。

站在使用者角度，这类需求可分为三部分：首先是避免业务数据在使用对话类产品时被泄露，二是保护业务认知不被大模型“学走”，另外还要避免大模型因数据而被“投毒”。

虽同为数据安全问题，但这三个需求分别对应不同的产品和解决方案，将惠及不同厂商。

7.找项目，含AI率不能太高

对业务流、数据价值的肯定还导致了一个有趣现象——在AI无孔不入的当下，有投资人在寻找标的时，反而会担忧项目的“含AI率太高”。

他们觉得，大模型的功能仍在持续更新，如果一个软件只具备AI能力而无法深入企业业务，也没有稀缺的数据价值，被大模型替代恐怕只会是时间早晚。

而在投资人的贡献之外，36氪同样在近期密集沟通数十家AI公司，发现在AI攻势下，企业软件领域至少正在发生3个变化：

1.企服公司的价值判断标准，正在经历一场“大反转”

在过去惯用的标准中，一个好的企服公司需要具备产品力强、交付简单、轻模式赚钱等特点。但如今，不少软件的功能随时会因大模型更新而失效——这种情况还会随着多模态模型的演进加剧。

这导致，如今一些关注企业软件的投资人，会把考察重心放在数据积累、渠道建设、客户掌控力三方面——纯粹的产品力反而不再是“第一标准”。当然，如果一些在这三方面可圈可点的公司，还能找到业务和大模型的结合点，将是“会被重点考虑”的标的。

2.To D工具链，相对更确定的刚需

当功能创新的门槛被大模型一再拉高，从模型本身切入，成为大模型链条的送水人，可能是相对靠谱的一种思路。

拆解模型训练链条，大规模的数据、算力、网络能力缺一不可。再细致划分这些场景，数据标注、治理、向量搜索、训练/推理加速、网络资源管控等，都属于过往基础层软件的业务范畴。如今生成式AI的到来，对这类产品反而意味着场景拓宽。

3.此时还是机会窗口

虽然大模型的能力已被ChatGPT这类杀手级应用证明，但在我们的观察中，不少新一代AI公司还没找到真正适合商业化的场景——这也是如今AI投资成交笔数不多的重要原因之一。

另一方面，企业信任ChatGPT这类新产品也需要成本。尤其是BI这种需要打通数据权限运转的工具，并不会被轻易替换为另一个陌生产品。

这意味着，虽然不少企业软件看似危机四伏，但此时仍属于“窗口期”——如果现在它们和大模型能力结合，可能还来得及提升自己的产品力，避免彻底被“吃掉”。

以下是投资人们的口述部分（经编辑）：

某金融机构CVC投资人 Cruise

我是学计算机出身的，做投资之前干过技术，是大模型的忠实believer。我认为，它能从根本上解决场景细碎化的问题。

像金融机构这类大甲方，可能一个场景就有两三个供应商。这种情况下，各种需求是被割裂满足的，没有统一的AI大脑。现在大模型、ChatGPT出现了，它直接和终端用户统一交互，碎片化的问题被解决了，企业内部的工作协同也变得简单了。

按这个逻辑，大模型会重塑工作流。那些工作流比较长的，比较繁琐的场景就会被颠覆。

比如BI，之前常用多种类型数据进行数据清洗，再查询分析，最后做可视化，听起来这条路就很漫长。现在大模型到来，很可能让整个链条直接从底层数据链到交互层，中间过程都消失了。

RPA可能也是个比较危险的领域。RPA把工作流串联，可以看作一个优化工作流的工具。最早的RPA都是录屏，相当于人把这个事做一遍，录完了让机器学。但现在真正的AI来了，甚至都不用人录屏，它自己就能衍生出来N种路径，反过来告诉人最优选择是什么。这时候，你说传统RPA的意义是什么？

但另一方面，我觉得一些软件不一定会被取代，会被重塑。

一些BI厂商现在也在寻求突破，希望和大模型发生融合。还有一些营销类公司，之前基于规则，整合多源异构的数据千人千面打标。但大模型出现后，数据天生在一起，不用慢慢整合，大家可以基于大模型做客户洞察、分析，效果和投入产出比都可能更好。

究竟什么样的企服软件最难被AI取代？我目前觉得需要人强判断的和担责的，类似投研量化、交易决策系统，抗冲击性更强一些。还有，和业务逻辑强相关的，比如费控类的、订单管理系统这些业务流，而非工作流的产品会更难取代。这个背后主要隐藏着数据问题——业务流中的单据，基本都属于核心数据，难被替换。

大模型出现后，数据安全的重要性更高了，所有企业都不能随意传输敏感数据，金融业更是强监管。但训练模型的重点，就是看你的数据能力、算力能力是否能支持。所以，拥有私域数据和行业Know-How的企业，未来肯定是香饽饽。

3E资本投资总监 刘明伟

什么样的软件会被生成式AI替代？说实话，我感觉外界还是有点过于恐惧AI。整体我认为AI和软件之间的逻辑不是简单的取代，更多是一种结合。

BI、RPA、流程挖掘这类产品受到冲击的可能性比较大。但如果结合AI，它们的工作效率或许也可以提升。比如，BI的目标是帮助企业链接分散在各部门之间的数据，在链接的过程中，BI需完成匹配不同数据库的权限，进行审批流程的流转等繁琐但必要的工作，最终聚合数据进行分析。

现在有了GPT，理论上需求方可以直接问它，并快速得到数据分析的答案。但问题在于，后端数据的链接工具仍是必须的，数据库也是必须的，人对这些工具的信任也不是凭空生成的。也就是说，之前已经部署并打通企业数据权限的工具，并不会随随便便被替换。

现阶段其实是个时间窗口，因为对新工具的信任问题是可以通过慢慢磨合解决的。在这个时间段内，软件公司应该快速和AI融合，提升自己的产品能力。比如，微软把GPT的能力集成在办公套件里面，真的让自己的产品力提升了N个级别。

这种程度的结合，其实也称得上产品的重塑。从这个角度，如果企服公司和AI融合得好，那么它可能会抓住新的机遇，但如果没有很好地融合，就可能受到巨大冲击，乃至被替代。

不过说实话，当软件被重塑，最应该担心的其实是岗位。因为不管怎么样，工具还是在那里的，只是形式不同，但企业管理运营方式可能会被彻底颠覆。未来企业可能不需要IT部门和CIO了，可能就是一个COO坐在那里，管业务和AI工具。

就比如，部署一个大模型这样的AI大脑，COO可以直接给它下目标指令，让它依据指令和其他企服软件交互。在这种工作模式下，老板最多需要一个人帮忙处理一些IT类的小事，不需要那么多人的IT团队。

也就是说，我觉得未来很多软件还是会存在，只不过会因AI被重塑。但使用软件的人是不是还在，就不好说了。

靖亚资本高级投资总监 戴成君

在生成式AI的攻势下，2B应用领域的企业优势将逐步迁移到行业认知、客户粘性、深度数据、复杂流程的产品设计等方面。

如果要说一个明确的颠覆逻辑，我觉得，一个软件原本需要复杂的人工信息收集、分析、推理和展示等预处理过程，那么生成式AI的便利性很可能颠覆它，像营销系统、客户服务系统、HR招聘软件都会比较典型。

另外，生成式AI对之前以内容积累（例如素材、模版等）构建自己护城河的成熟企业，同样造成挑战。因为，新进入者可以通过AIGC快速生产大量优质内容，迅速拉近与成熟企业的水平，站在与之接近的起跑线上。

我们在看应用层企业软件时比较关注的一个指标：“AI价值贡献率”，比例不能过低，但也绝不能过高。AI价值贡献率过高，例如如果GPT贡献了90%的价值，意味着在整体产品中，几乎以AI为核心能力了，其他的像产品价值、数据价值等变得单薄。后果就是——当底层AI技术变成商品后，没有属于企业的独特壁垒，保不齐哪天被底层技术提供方吞掉，典型的就是单点工具型产品。

目前市场上符合这样画像的应用层创业公司还不是太多，需要给各行业专家和AI科学家们一些场景探索和产品打磨的时间。

某大厂战投投资经理

目前已有的大企服赛道，有一个环节已经在被深刻影响、改造，就是营销。这个赛道里中短期比较确定的事情是，AIGC会重塑营销物料的生成。无论是营销文案、图片还是视频都会被重塑。

从更长期看，AIGC有机会在营销这方面做出原生工具，比如用户一开始先把历史数据扔给AI，AI结合公域数据做分析，然后给出投放策略和对营销物料生产的建议，接着一键生成相应营销物料，投放完数据回流之后再灌给AI，让AI进一步优化投放策略和物料生产策略，最后形成一个闭环，这可能是最理想的AI营销方案。

整体看AIGC可以有什么改变、创新？可以从产品的角度出发去开脑洞。

比如既有的软件可以基于AI衍生，形成类似行业规则的新生产力工具，比如Adobe或者Office——这是目前大家最期待的。

某互联网公司战投管理合伙人Hebe

从海天瑞声等数据标注公司近期的财务数据来看，国内的大模型赛道应该还没有真的起步。大模型和所谓的小模型根本就是两种东西。

大模型要解决的就是通用性问题，即使用同样的算法、同样的框架，小模型的参数量级、参数质量可能根本无法满足深度学习工程中神经网络的层级要求。这样的话，小模型训练结果的理解能力和反馈的准确性，都难达到大模型的水平，与过去的知识图谱、NLP相比，未必有多大优势。

所以在私有化部署的时候，因为大模型的数据安全、合规问题而训练小模型，做基于垂直领域应用的提法可能站不住脚。对于国内的企服公司来说，做垂直行业，特别是服务政企的企服公司靠私有化部署、靠项目制拿单，通过大模型赋能业务可能还是个伪命题。

另一个层面，如果企服公司通过直接调用API来使用大模型，只能算是个锦上添花的功能。这样能不能处理异构数据，能输入多大的数据量？可能会衍生出来很多解决不了的问题，而且这种做法也根本不能变成企业自己的门槛。

如果一定要说的话，可能大模型的能力对于前两年曾经还比较火的接口管理，也就是类似Postman的那些公司不太友好，Copilot做集成的话应该很容易替代。

再比如数据标注，短期可能会有增长，但长期就很难说了。大模型的多模态是爆炸级的，没准能直接做到L5级的自动驾驶，这样的话真的会死一大批相关公司，但还没有充分的判断依据。

现在我们主要在重点了解甲方对大模型需求。如果甲方是否存在痛点都没有明确，企服公司就开始主观推功能，那走上上一波AI公司，原先兜售商业模型，但是无人问津的老路。

所以，至少现在我们不觉得大模型已经给哪些赛道带来了机会，市场的反馈也是大体如此，好像还没有哪条大赛道因为大模型都融到了钱。整体来看，我们现在会更多关注海外市场中大模型在C端的机会。当然，数据安全和信创肯定是受益的。

某CVC投资经理

企业软件中的应用层软件，主要分两类。一种是纯工具，另一种主要封装工作流，让工作流成为一种用软件表达的语言。

工具类的，比如PS、视频剪辑这种产品，作用是把人脑中的想象用工具翻译出来。这种情况下，AI就能改变或者简化工作流程。这样一来，如果这类产品本身不像Adobe那样有非常既定、非常大的用户base，就很容易被颠覆。

也就是说，针对工具的颠覆会出现两种结果。一种是原本价值就够稳固的工具，加上AI，就可以从一个移动互联网时代的产品，重塑为AI时代产品。还有一些工具，本来价值层就比较薄，没有太多用户、产品方面积累，就容易被新产品直接颠覆。毕竟对于客户来说，迁移成本也很低。

工作流相关的软件，比如说像CRM、ERP、HRM，这类软件被自动化的空间很大，。但是归根结底它们是落到现实层面的软件，需要不同的人、物对接。这就类似互联网公司中的美团，和现实世界的接口比较多，涉及到线下才能实现闭环，很难完全被AI颠覆。像审批、发货、扫码等“人”的动作，还是没有办法完全被省略。所以这些软件还是有存在价值，只不过可以被AI更好地自动化。

某投行VP

企服公司的业务可以分为三类。第一类是比较传统的，像财税服务、法律服务、人力资源服务等长期基于经验、人力的公司；第二类是一般性的信息技术服务，比如ERP、用友、金蝶等财务软件等；第三类定制化程度相对较高，涉及整体解决方案交付的软件，包括软件、硬件、平台搭建业务，常见的如企业安全、大数据。

说到生成式AI，我认为先受到影响最深的，是依靠经验总结就能提供专业服务的行业，比如企业法律咨询、税务咨询、人力咨询等咨询类公司。这些业务/服务的流程比较基础，很多时候经验归纳的复杂度也不高。针对这类业务，生成式AI可以基于整个网络数据、市场数据来做。

第二类，企业信息技术服务这一类会受影响。具体来说，客户会对一些软件产品提出定制化模块的需求，这部分价值目前不会被AI取代。但如果AI发展到一定程度，能够倾向性地给出对应这个模块的解决方案，那么影响就比较大了。不过传统的OA办公软件、财务软件、ERP软件，涉及各行业业务流程的抽象和提炼，做起来是比较复杂的。生成式AI也掌握不了各个公司、各家产品的核心壁垒。

至于最后一类，比如企业安全，就更难被替代了。信息安全行业中高质量、高可靠性的服务很重要，需要人类专业人员的支持。这个场景里，生成式AI技术可以提供一些辅助性功能。

前投资人/现RockFlow CEO赖蕴琦

从基因特点划分，企服公司分两种，一种产品化能力非常强，业务不需要定制，也不需要人工服务参与，产品上手简单。另一种公司强在定制化服务客户的能力。

产品化能力强的公司，无论用什么样的方式，一定要快速把新技术用好。而服务类公司从打单开始就要搞关系，壁垒不是产品而是服务。现在来看，服务类公司本身就不是因为技术取胜，所以不会轻易被新技术取代，壁垒反而比较高。

如果看产品类型，RPA、BI、客服机器人、数据分析类工具看起来是最先被取代的。

此外还有图片设计、视频的制作剪辑、文本分析相关的公司比较危险。这里面最可能被取代的应该是4A广告公司和咨询公司。创意型的工作不是可以被标准化定义的，AI做起来反而会非常快，可以让一个人不断地去选，选到他满意为止。

某股权投资机构投资总监

整体来看，新一代AI技术对各行业的影响目前还在早期阶段。

其中一个原因是，虽然OpenAI已经做了产品化功能（比如提供API接口等），但能不能盈利还要观察。最基本的，我们要看算力、数据成本能否大幅下降，如果不能，对企业来说投入产出比可能还不如老办法。

从这个角度来讲，成本下降比较快的赛道，比如智能客服，可能被影响得比较快。因为目前大家做大模型，其实就是在使用这些领域的问答数据、消费倾向数据等。这些数据对获取成本非常低，量也很大，客户也更能认知到，愿意买单。零代码、低代码、RPA这几个赛道也会受到一定冲击。

如果按照现有的生态格局分工，生成式AI时代会有Infra-MaaS-PaaS-SaaS几层。SaaS层大厂做更通用的产品，创业公司做更专业的产品。

在SaaS层通用场景下，例如一些NLP、智能客服的赛道，大厂积累更多B、C端数据，生态成熟，会挤压独立厂商的市场空间。

但是在涉及专业性的SaaS场景中，企业受影响程度较小。例如生产制造端的芯片设计、汽车、CAE仿真等工业软件赛道、Martech数据驱动AI建模的企业，创业公司和独立厂商仍然有发展前景。

整体来看，如果场景深度不够，或者数据驱动较少，企业被取代的风险会很高。

某早期VC VP Marvin

我们过去几年投过一些工业软件公司。在可视范围内，我认为工业软件中与设计有关的暂时安全。首先现在的大模型还看不到通用的多模态能力，而且即使大模型多模态了，工业软件所涉及不同垂域的开放数据集也不会有很多，没有数据大模型的能力也无从谈起。

但是和流程相关的工业软件，特别是智能排期、MES之类的软件可能会面临挑战，原来的算法都是黑盒，现在有了通用解决方案，之前的算法壁垒可能会不成立。

如果软件要和AI结合，成为AIGC类应用，挑战也很大。因为OpenAI看起来是有保留的，多模态大模型的想象空间太大了。

所以，现在要基于AI做应用，不管是To B还是To C的创业公司其实都存在很大的风险。因为谁也不知道GPT4.5、GPT5能干什么——一个创业公司辛苦半年、一年，所有的投入都可能因为它们打了水漂，这对创始人来说太难做决定了。

所以，与其去判断哪些赛道有机会，哪些有危机，我们更倾向认为现在存在的都合理。